这篇来自 X (Twitter) 的深度好文剖析了 Shopify 如何通过 Claude Code 实现工程效率的飞跃。文章不仅分享了其 23,000 名工程师背后的核心配置逻辑,还详细介绍了从Agents)" data-itemshowtype="0" linktype="text" data-linktype="2">并行智能体(Agents)到 MCP" data-itemshowtype="0" linktype="text" data-linktype="2">MCP 工具包,再到“策略优先”的工作流转型。如果你正在思考如何将 AI 真正集成到团队的开发流水线中,这份来自“未来视角”的 AI 原生工程实践手册(AI-first playbook)绝对值得深入研读与复刻。下面是文章译文全文:
Shopify 的 23,000 名工程师正致力于在今年第三季度实现 96% 的代码自动化。
他们同时运行多个 Claude Code 智能体,每个智能体处理代码库的不同部分,而工程师只需进行审查和合并。
Bessemer 发布了他们完整的 AI 优先手册。
以下是他们的确切配置,你可以在 5 分钟内完成复刻 👇
基础设施层(为什么他们的配置能奏效)
Shopify 没有标准化某一个 AI 工具。他们标准化了底层的架构。
他们构建了一个内部 LLM 代理(Proxy),将每一个 AI 请求路由到同一个网关。无论使用 Claude Code、GitHub Copilot 还是 Cursor,它们都流经相同的基础设施。
Shopify 的 LLM 代理架构:
工程师 -> Claude Code / Copilot / Cursor ↓ LLM 代理 (集中式网关) ↓ OpenAI / Anthropic / Google 模型 ↓ 使用分析 + 成本控制 + 模型路由
这赋予了他们集中式的成本控制、使用分析,以及在不改变任何工程师工作流的情况下更换模型的能力。
给小团队的启示: 不要只选一个工具就全力投入。先构建基础设施,这样你就可以在保持对成本和数据控制的同时,试验不同的工具。
模式 1:并行智能体,而非单一对话
Shopify 的资深工程师不会把 Claude Code 当作一个简单的“提问-回答”工具。
他们会同时启动多个智能体,在代码库的不同部分工作。
一个智能体负责重构认证模块。另一个负责编写测试。第三个更新文档。工程师负责审查输出,丢弃无效内容,合并有效内容。
bash 示例:
## 终端 1:负责重构认证的智能体claude -p "refactor src/auth/ to use the new session handler"# 终端 2:负责编写测试的智能体claude -p "write integration tests for the payment flow"# 终端 3:负责更新文档的智能体claude -p "update API documentation for all changed endpoints"
工程师的工作职责从“写代码”转变为“审查和合并”智能体的输出。Shopify 工程副总裁 Farhan Thawar 将此称为“编排智能系统”。
模式 2:扩展批判循环 (Extended critique loops)
并非每个任务都能受益于并行化。对于复杂的架构决策,Shopify 工程师会让单个智能体运行扩展的批判循环。
智能体生成一个答案,评估它,修改它,并在漫长的推理周期中继续精炼。
他们不接受第一次输出,而是强迫智能体自我辩论。
提示词模式:
"针对 [X] 提出一个架构方案。 然后批判你自己的提议:在规模化(scaling)时会出现什么问题? 根据你的批判进行修改。 再次批判该修订版。 给出最终版本,并附带每个决策的置信度水平。"
这种方式…